Hadoop概述
Hadoop是什么
- Hadoop是一个由Apache基金会所开发的分布式系统基础架构
- 主要解决海量数据的存储和海量数据的分析计算问题
- 广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈
Hadoop优势
- 高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。
- 高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。
- 高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。
- 高容错性：能够自动将失败的任务重新分配。
Hadoop组成
- 在Hadoop1.x 时代，Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大。
- 在Hadoop2.x时代，增加了Yarn。Yarn只负责资源的调度，MapReduce 只负责运算。
- Hadoop3.x在组成上没有变化
HDFS（Hadoop Distributed File System分布式文件系统）
NameNode(nn)
存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。
Secondary NameNode(2nn)
每隔一段时间对NameNode元数据备份。
DataNode(dn)
在本地文件系统存储文件块数据，以及块数据的校验和。
Yarn(Yet Another Resource Negotiato资源管理器)
RM（ResourceManager）整个集群资源（内存、CPU等）的管理者
NM（NodeManager）单个节点服务器资源的管理者。
AM（ApplicationMaster）单个任务运行的管理者。
Container（容器）相当于一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。
说明：
- 客户端可以有多个
- 集群上可以运行多个ApplicationMaster
- 每个NodeManager上可以有多个Container
MapReduce
负责计算的部分，将计算过程分为两个阶段：Map、Reduce
- Map 阶段并行处理输入数据
- Reduce 阶段对Map 结果进行汇总
HDFS、YARN、MapReduce 三者关系
- Client提交任务
- RM找NM开启一个节点AM，AM向RM申请资源，RM把申请到的资源返回给AM，AM开启MapTask （每个MapTask独立工作，负责检索一个DataNode节点），把返回的结果杰瑞ReduceTask，再记录到Name Node。
大数据技术生态体系
图中涉及的技术名词解释如下：
- Sqoop：Sqoop 是一款开源的工具，主要用于在Hadoop、Hive 与传统的数据库（MySQL）间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle 等）中的数据导进到Hadoop 的HDFS 中，也可以将HDFS 的数据导进到关系型数据库中。
- Flume：Flume 是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume 支持在日志系统中定制各类数据发送方，用于收集数据。
- Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统。
- Spark：Spark 是当前最流行的开源大数据内存计算框架。可以基于Hadoop 上存储的大数据进行计算。
- Flink：Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
- Oozie：Oozie 是一个管理Hadoop 作业（job）的工作流程调度管理系统。
- Hbase：HBase 是一个分布式的、面向列的开源数据库。HBase 不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
- Hive：Hive 是基于Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL 查询功能，可以将SQL 语句转换为MapReduce 任务进行运行。其优点是学习成本低，可以通过类SQL 语句快速实现简单的MapReduce 统计，不必开发专门的MapReduce 应用，十分适合数据仓库的统计分析。
- ZooKeeper：它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、分布式同步、组服务等。
推荐系统框架图
转载自：
https://blog.csdn.net/huxili2020/article/details/117809913
